1246 articoli
La bioinformatica è l'incontro vitale tra biologia e informatica, un campo che trasforma i dati biologici complessi in conoscenza comprensibile. Qui esploriamo come algoritmi e software aiutino gli scienziati a decifrare il codice della vita, dall'analisi del DNA alla scoperta di nuovi farmaci, rendendo accessibili scoperte che altrimenti rimarrebbero confinate in database tecnici.
Su Gist.Science, monitoriamo ogni nuovo preprint inviato da bioRxiv in questa categoria. Per ogni articolo, offriamo una doppia prospettiva: una spiegazione semplice per chiunque sia curioso e un riassunto tecnico dettagliato per i ricercatori. Questo approccio garantisce che le ultime novità scientifiche siano chiare, accurate e immediatamente disponibili.
Di seguito trovate i documenti più recenti pubblicati da bioRxiv nel settore della bioinformatica, pronti per essere esplorati nelle vostre forme più accessibili.
Questo studio valuta le prestazioni di 29 algoritmi di machine learning, 80 di deep learning e 3 strumenti di polygenic risk score su 80 fenotipi binari del dataset openSNP, rivelando che i metodi di machine learning superano quelli tradizionali in 44 casi, mentre gli strumenti di polygenic risk score risultano più efficaci negli altri 36.
Il paper presenta MapMyCells, un framework open-source ad alte prestazioni che permette di mappare in modo efficiente, deterministico e modale-agnostico dataset omici cellulari non etichettati su tassonomie di riferimento gerarchiche per il cervello, facilitando l'integrazione cross-studio e l'annotazione riproducibile senza richiedere hardware specializzato.
Il paper presenta NIFty, una pipeline di classificazione per la proteomica a singola cellula che seleziona le caratteristiche senza richiedere l'imputazione dei dati mancanti, evita l'analisi circolare e supera gli effetti di batch senza correzione, migliorando l'accuratezza nella classificazione delle cellule.
Il paper introduce CLASP, un framework unificato tri-modale che integra apprendimento geometrico, modelli linguistici e apprendimento contrastivo per generare rappresentazioni proteiche superiori combinando sequenze, strutture 3D e descrizioni testuali, ottenendo prestazioni eccellenti in compiti di classificazione, recupero e clustering.
Il pacchetto anndataR migliora l'interoperabilità tra R e Python nell'ambito della trascrittomica a cellula singola consentendo la lettura, la scrittura e la conversione nativa dei file H5AD in oggetti R come SingleCellExperiment e Seurat.
Questo studio presenta un dataset migliorato e standardizzato per la previsione dell'infezione virale nei mammiferi, dimostrando che le prestazioni dei modelli di machine learning migliorano significativamente quando si prevedono categorie ospiti più ampie e si riduce la distanza filogenetica tra i dati di addestramento e di test, mentre la generalizzazione a virus completamente nuovi rimane una sfida aperta.
Il paper presenta MiRformer, un framework generativo unificato basato su trasformatori che supera i limiti dei metodi esistenti per la previsione delle interazioni miRNA-mRNA, l'identificazione dei siti di legame e la sintesi di sequenze miRNA specifiche, offrendo al contempo alta accuratezza e interpretabilità biologica.
Il documento presenta il SSIT (Stochastic System Identification Toolkit), un software open-source in MATLAB progettato per modellare, adattare, prevedere e ottimizzare la progettazione di esperimenti su dati biologici rumorosi e stocastici, offrendo strumenti avanzati per l'inferenza dei parametri, l'analisi di sensibilità e la gestione delle distorsioni sperimentali attraverso un'interfaccia grafica e pipeline automatizzabili.
Il paper presenta HP2NET, un framework ad alte prestazioni che automatizza e ottimizza l'analisi di reti filogenetiche su larga scala integrando flussi di lavoro paralleli e strategie di riutilizzo dei dati, come dimostrato nell'analisi dei genomi del virus della dengue.
Il paper presenta MS-BCR-DB, il primo database pubblico e uniformemente elaborato di repertori BCR umani nella sclerosi multipla, che integra dati clinici e sequenze per identificare firme immunitarie condivise, come l'uso di geni V specifici e cloni convergenti reattivi sia contro l'Epstein-Barr virus che contro proteine autoanticorpali del sistema nervoso centrale.